通过往期介绍（点这里哦）当我们从基因芯片的大数据中寻找到几千或几百个具有统计学和表达上差异的分子后如何解释这些结果或者说最终得到一个基因列表能告诉我们什么呢？从中能给我们什么提示？能下什么结论呢?
这里就要介绍一种分析方法就是富集分析了。首先不少人经常会有这样一个疑问——仅仅一个基因列表又怎么能进行统计分析呢？又没有对照，怎么计算p值呢？
这里举个例子：在一个广场上从早上到晚上都有着各种活动，早上5-6点有老人在锻炼身体，7-8点广场上开始有小贩、游客和行人，到了下午有不少青年人举行商业促销活动，傍晚广场就是属于广场舞大妈，晚上夜宵排档四起。那么当我们在不知道时间的情况下，抽取广场100个人，是否能从这百人的列表推测出广场上正在进行的活动或者时间呢？当100人群中有80%的人是大妈？那么广场上进行什么活动在什么时间就显而易见吧。
那么人换成基因也是同理的。首先要定义基因集(geneset)，也就是基于我们的先验知识（基因组注释信息）。将基因富集可以想象成代表某一功能活动的群体，每个个人可能同时参与好几种功能活动，我们所分析的不是单个个体的差异，而是实际群体和期望功能群体是否有差异，从而推测出此时此刻发生了什么事，在这些事件中哪些个体又起到了什么作用。
基因注释信息根据通路数据库例如KEGG，那么就是通路（Pathway）富集分析，如果根据GeneOntology包含分子功能（MolecularFunction），生物过程（biologicalprocess）和细胞组成（cellularcomponent）三个部分来注释，那就是GO功能富集分析。这样大家对富集分析有所理解了吧，当然其中会涉及到统计方法例如fisher精确概率，GSEA，PACE，一般选用以上一种方法进行即可。
以下是还原文献中Onto-Tools进行的功能富集分析描述。（PMID: 25712376）
Functional analysis
To evaluate thepotential functions of the gene list, we performed ontological analysis of DEgenes. The Onto-Express (OE) (http://vortex.cs./ontoexpress), a web-based program, was used to perform the gene ontology (GO)enrichment analysis using hypergeometric tests. The pathway was analyzed by theKyoto Encyclopedia of Genes and Genomes (KEGG) (http://www.genome./), as well as by Pathway-Express, another application in the Onto-Toolsdatabase.
接下来对其实现过程进行实操：
1.进入网站，注册（http://vortex.cs./projects.htm）。
2. 注册后浏览器会提示安装java，根据提示操作即可
3.接着会弹出窗口，选择Onto-Express进行GO分析，Pathway-Express进行pathway分析。
4.以pathway分析为例，输入差异基因列表。（基因列表黏贴到一个新建的txt文档）
5.当然在高级选项里选择文献中设定的分布类型为hypergeometric ，即默认。
6.最终提交到服务器，运行几分钟就可到结果。（需联网）
7.具体点击某通路可连接到KEGG数据库。
8.一般文章中最终结果会展示成表格或者类似以下这样的图：
9．那最终得到这样的结果有什么意义呢？首先在于全局性地了解这些差异分子可能影响到生物功能，提供新的研究方向。其次，缩小了研究范围，从几千几百个差异分子到几十个功能通路富集的重要分子。最终验证和解释实验结果，如果通路分析和预期功能实验相符，那就能从分子水平上进一步验证和解释功能现象。
本期就到这里了，相信大家对富集分析已经有所了解了。下期将进一步学习一个更简单，易操作的在线分析工具David，这个工具广泛地被应用到通路析和GO功能富集分析中。
